新兴证据表明，生成式人工智能（AI）可能为自身免疫和风湿性疾病诊疗提供新可能，它突破了传统狭义AI应用的局限，能够生成情境化的临床内容，支持广泛的医疗任务。本文探讨了生成式AI在自身免疫和风湿性疾病临床诊疗、研究及行政管理领域的应用。然而，实施过程中仍面临诸多挑战，包括临床验证、模型可解释性、数据整合复杂性以及不断演变的监管框架。
引言
研究表明，近十分之一的人口受到自身免疫或风湿性疾病的影响——这些疾病大多缺乏明确的治愈方法，且发病率迅速上升。面对这些紧迫挑战，近期《npj Digital Medicine》文章指出，人工智能的最新发展，特别是生成式人工智能（GenAI），可能代表了自身免疫和风湿性疾病诊疗的潜在范式转变。传统风湿性疾病AI应用主要集中在分类或预测等狭义任务上。相比之下，生成式模型（如大型语言模型LLMs）能够基于大型医疗数据集生成情境化的临床内容和建议，支持广泛的临床任务。这些模型对风湿病学实践可能特别有价值，因为风湿病学实践常常面临诊断不确定性、疾病表现多样化以及个性化治疗需求。尽管如此，该技术在自身免疫和风湿性疾病临床诊疗、研究及行政工作流程中的应用仍很大程度上未被充分探索。
人工智能增强临床决策
生成式AI在改善风湿性疾病管理中的诊断准确性、治疗指导和临床决策方面展现出早期潜力。生成式AI推进临床护理的潜力部分在于其整合多种临床信息的能力；通过综合患者症状、实验室数据、影像学结果甚至基因组资料，这些系统能够生成实时指导决策的临床见解。这些系统在处理风湿性疾病固有的复杂性方面表现出特殊优势，因为风湿性疾病的诊断和治疗决策通常需要综合多个器官系统和时间维度的临床要素。最近的一项验证研究表明，基础大型语言模型在炎症性风湿性疾病中达到了较高的诊断准确率，能够正确识别更高比例的专家精选病例，表现优于人类专科医生。同样，当提供病史和影像学结果时，GPT-4在肌肉骨骼放射学解读方面的表现与放射科住院医师的诊断准确率相当，凸显了其多模态能力。这些平台在罕见疾病识别方面也表现出色，某些大型语言模型在诊断罕见病和孤儿病方面达到高准确率——鉴于许多风湿性疾病的罕见性可能挑战经验丰富的临床医生，这一能力尤为宝贵。生成式AI及相关进展还展示了整合皮肤科发现以增强自身免疫疾病评估和管理的能力，例如在诊断红斑狼疮或评估斑秃严重程度方面。尽管这些早期发现令人鼓舞，但证据基础仍然有限，主要来自精选的临床案例和结构化数据集，而非通常需要广泛实施的真实世界前瞻性试验和纵向研究。
平台在提供治疗指导方面也展现出准确性，大型语言模型在提供类风湿关节炎患者甲氨蝶呤相关信息时，达到了高准确率并与指南高度一致，表明其有潜力成为可靠的临床决策支持工具，能够适应不同患者表现并整合不断发展的循证指南。重要的是，真实世界证据表明，临床医生与AI的合作可以提高护理质量：在一项针对医生的多中心随机对照试验中，大型语言模型的辅助提高了正确管理推理分数，而没有增加有害决策率，突显了交互式生成式AI如何转化为临床结果的改善。例如，生成式AI系统可能评估有关节疼痛和面部皮疹的患者，推荐针对性的自身抗体检测和评估包括肌肉炎症和肾功能研究在内的内脏器官受累情况。然后它可以整合这些结果，指导进一步检测以区分皮肌炎和红斑狼疮诊断，并推荐根据个人需求量身定制的初始治疗（图1）。
图1 生成式人工智能在自身免疫疾病诊疗中的应用示例
超越行政管理迷宫
多项研究表明，医生在行政工作上花费的时间几乎是面对面护理的两倍。风湿性疾病管理中固有的行政负担，以广泛的文档记录和护理协调需求为特征，可能超过其他专科，成为生成式AI优化的有力目标。当前的大型语言模型在通过自动生成临床笔记、出院摘要和行政通信来减少文档负担方面展现出显著能力，其实时建议在提高效率的同时保持临床准确性。
这些系统还通过生成可针对个人健康素养水平、文化偏好和疾病特定考虑因素进行定制的个性化教育材料，在患者参与方面显示出特殊价值——鉴于风湿性疾病的复杂性及其治疗，这一能力至关重要。
此外，生成式模型有望通过自动创建预先批准文档并将复杂的临床推理转化为支付方要求的格式，简化保险授权流程，从而可能减少获取生物制剂等专业风湿病治疗的延迟。预计未来的实施将整合环境监听技术，能够自动捕获和结构化临床接触，将对话交流转换为结构化文档，并提供实时临床决策支持，从而使临床医生能够更直接地专注于患者护理而非行政任务。
加速科研发现
生成式AI可能通过为药物研发、临床试验设计和科学假设生成提供新方法，重塑风湿性疾病的研究格局。
在药物开发方面，基于Transformer的模型已成功适应分子表征学习，能够识别风湿性疾病药物开发中的新治疗靶点并预测关键分子特性。此外，新兴的生成式药物再利用技术可能有助于识别现有药物在自身免疫疾病中的新治疗应用。这些技术还可以帮助创建数字孪生——基于临床轨迹、实验室结果和治疗反应训练的复杂患者模拟模型。例如，这些模拟可以重现类风湿关节炎中驱动疾病的复杂细胞相互作用，从而测试药物机制、预测疾病轨迹并识别新的治疗靶点。同样，生成式AI可以从现有患者数据中学习以生成合成患者档案；通过扩大红斑狼疮、系统性硬化症和血管炎等罕见疾病的小队列，这些档案可以提供比较治疗和更自信预测患者结果所需的统计能力。
这些系统还展示了在数据分析之外辅助医学研究的能力：生成研究假设、进行文献综述、创建基于云的数据管道以安全远程分析敏感患者数据，以及协助手稿准备，从而可能在保持方法严谨性的同时加速科学发现的步伐。
风湿病诊疗中AI的挑战
在成功实施生成式AI以推进临床护理方面，多个领域仍存在重大挑战。
鉴于许多风湿性疾病的罕见性，临床验证是一个特殊挑战；有限的患者群体通常难以创建稳健的试验并为AI系统生成足够大的验证数据集。研究设计和结果测量的异质性因报告标准不一致而进一步复杂化，促使最近开发了针对大型语言模型的特定报告指南，以提高研究透明度和可重复性。为解决性能挑战，生成式AI方法可包括用于领域适应的微调方法、用于扩展有限数据集的合成数据生成，或扩散或对抗网络等替代架构。对临床应用特别相关的是检索增强生成（RAG），它将外部知识源（如临床指南或验证资源）整合到模型输出中，以提高事实准确性并减轻幻觉——代表了在医学中更安全、更可靠使用的潜在途径。
模型可解释性和解释性仍然是关键障碍，因为风湿病学家可能需要透明的推理过程来保持临床信心并确保适当的护理，特别是考虑到多器官疾病的复杂性，治疗决策必须考虑包括疾病活动性、药物相互作用和患者偏好在内的众多相互作用因素。尽管研究表明，大型语言模型生成的解释有时可能代表事后解释而非模型内部推理的实际描述，但它们仍可能提供价值：这些解释中的缺陷，如矛盾、遗漏或无支持的逻辑，可能与不准确或有偏见的输出相关，并为临床医生监督提供警示标志。然而，证据仍然初步且参差不齐，一些临床医生-机器学习协作实验指出，伴随错误建议的解释可能增加过度依赖并降低临床医生准确性。
风湿病学中的数据整合挑战可能尤为突出，因为患者护理通常涉及多个亚专科医生、分散的电子健康记录以及跨越数十年的纵向疾病监测。确保安全、可互操作的数据共享需要许多医疗系统目前缺乏的稳健技术基础设施和标准化数据格式——鉴于自身免疫疾病中普遍存在的异质性实验室和血清学检测，这一点尤为相关。对非确定性AI系统的监管监督仍处于初级阶段，当前框架正在发展以应对生成模型产生的可变输出的独特挑战——当应用于关于免疫抑制疗法的高风险临床决策时，这一点尤其令人担忧。
最后，成功的实施理想情况下需要流畅地整合到现有临床工作流程和培训计划中，以确保风湿病提供者能够有效解释和利用AI生成的输出。
结论
生成式人工智能并不能替代源于多年临床经验和与患者个人互动的人类专业知识。然而，总体而言，这些进展使生成式AI有望将风湿病学实践转变为更加精准、高效和以患者为中心的模式——前提是其整合过程伴随着严格的验证、透明度和公平的监督。
【全文结束】
